Laboratoire de Génie Informatique et d’Automatique de l’Artois

Yu-Lin HUANG

Ingénieur de recherche
(Départ du LGI2A en 2021)
Travaille dans les thèmes :

Conférence Internationale avec Comité de Lecture

2021
Conférence Internationale avec Comité de Lecture
SPSC : an efficient, general-purpose execution policy for stochastic simulations
Winter Simulation Conference 2021, Phoenix, AZ, United States, 12/2021
SPSC : a new execution policy for exploring discrete-time stochastic simulations
Proceedings of the 22nd International Conference on Principles and Practice of Multi-Agent Systems, PRIMA 2019, pp 568-575, Torino, Italy, 10/2019

Conférence Nationale avec Comité de Lecture

Détection d’événements rares dans les simulations multi-agents
Actes des 26èmes Journées Francophones sur les Systèmes Multi-Agents , JFSMA 2018, Métabief, France, Cépaduès, 10/2018

Auteur de la thèse intitulée "Une nouvelle politique d’exécution de simulations stochastiques fondée sur des principes de partitionnement, de sélection et de clonage."

2017 - 2021

Résumé

Les simulations stochastiques sont utilisées dans de nombreux domaines pour lesquels on ne dispose pas de lois déterministes permettant de prédire l’état futur du système étudié.
Les résultats de telles simulations étant par nature variables, il est donc nécessaire de répliquer l’exécution des simulations afin d’obtenir expérimentalement la distribution des événements ou solutions possibles et ainsi estimer leurs probabilités. Dans le cas général, la méthode de Monte-Carlo (MC) est classiquement utilisée. Néanmoins, si les ressources de calcul sont limitées ou si les événements d’intérêt sont rares, MC peut se révéler inefficace.

Dans cette thèse, nous proposons une nouvelle politique d’exécution de simulation basée sur le partitionnement, la sélection et le clonage de l’état des réplications, dont l’objectif est d’améliorer la qualité des résultats par rapport à MC pour un même coût de calcul tout en restant le plus générique possible. L’idée générale de cette nouvelle politique est de contraindre l’évolution des réplications en sélectionnant et en clonant périodiquement celles pouvant conduire à des résultats intéressants pour le décideur.

La politique proposée est d’abord validée sur des modèles multi-agents académiques simples (modèles proies-prédateurs et de transmission d’un virus), puis expérimentée sur une simulation de transport routier plus complexe. Une extension probabiliste de cette politique est également présentée.

(*) Le projet ELSAT2020 est cofinancé par l’Union Européenne avec le Fonds européen de développement régional, par l’Etat et la Région Hauts de France.

The ELSAT2020 project is co-financed by the European Union with the European Regional Development Fund, the French state and the Hauts de France Region Council.